电子电器架构新趋势 —— 最佳着力点:域控制器

电子电器架构新趋势 —— 最佳着力点:域控制器

我是穿拖鞋的汉子,魔都中坚持长期主义的汽车电子工程师(Wechat:gongkenan2013)。
老规矩,分享一段喜欢的文字,避免自己成为高知识低文化的工程师:

本就是小人物,输了就是输了,不要在意别人怎么看自己。江湖一碗茶,喝完再挣扎,出门靠自己,四海皆为家。人生的面吃一碗少一碗,人生的面见一面少一面。人生就是一次次减法,来日并不方长。自己的状态就是自己最好的风水,自己的人品就是自己最好的运气。简单点,善良点,努力点,努力使每一天都开心,不为别人,只为自己。

本文大体如下:

1、背景信息

2、整车电子电气架构向中央集中迈进

3、车辆电子架构演进,域控制器价值凸显

一、背景信息

伴随汽车的智能化快速演进,汽车产品呈现显著的集成化发展趋势:

-> 1、机械硬件集成化——包括底盘、动力系统、热管理的集成化,各车企的车辆平台将逐渐减少,做减法。

-> 2、电子硬件集成化——少量高性能计算单元代替大量ECU,减少线束与ECU数量,逐步解耦软件与硬件,以承载日益复杂的车辆软件模型。

-> 3、软件集成化——随着电子电气架构由分布式向集中式演进,汽车软件由分离的嵌入式变为解耦的分层式。复杂度大幅增加,软件自研与外包均将大幅增长,软件将成为整车差异的主要决定因素。

image

域控制器是汽车电子电气架构集成化过程中的产物。智能化功能的日渐增加使得汽车电子架构必将迈向中央集成。

车辆电子架构集成度越来越高,域控制器将从经典的五域走向三域并最终走向整车中央计算平台。

域控制器主要由主控芯片、操作系统、应用算法等软硬件构成,域控制器Tier1是主控芯片与主机厂的连接枢纽。

image

智驾功能增多并集成使得智驾域控制器应运而生,相较于分布式方案,可实现感知、算力共享,节省成本,且软件可持续优化。

智能座舱是人们体验汽车智能化的首要窗口,历经车载收音机、中控导航、数字座舱后,智能座舱正处于发展初期,正向一芯多屏、多模交互趋势进化。

智能车之工具属性与情感属性的分离发展

二、整车电子电气架构向中央集中迈进

汽车电子电气架构把汽车中的各类传感器、ECU(电子控制单元)、线束拓扑和电子电气分配系统整合在一起完成运算、动力和能量的分配,进而实现整车的各项功能。如果将汽车比作人体,汽车的机械结构相当于人的骨骼,动力、转向相当于人的四肢,电子电气架构则相当于人的神经系统和大脑,是汽车实现信息交互和复杂操作的关键。如果没有先进的电子电气架构做支撑,再多表面智能功能的搭载也无法支持车辆的持续更新和持续领先,更无法带来车辆成本降低和生产研发的高效。

当前汽车电子电气架构正从分布式走向中央计算,这个过程就如同从“诸侯割据”走向“天下归一”,由于多重历史包袱的存在,刚开始控制权收拢于多个权力中心(即域控制器 DCU),同是也还存在若干地方政权(同时保留若干分布式模块),但最终将走到中央集权(跨域融合成高性能计算中心HPC),地方只负责执行统一的政令。伴随电子架构集成化的还有软件分层解耦,如同一个政府组织有中央政府、省级、县级,各级变动互不影响,可分层迭代。同时汽车的通信架构也进行升级,如同修建覆盖全国的高速公路网。

走向中央集成的Why?

随着整车电子电气产品应用的增加,单车ECU数量激增,分布式电子电气架构由于算力分散、布线复杂、软硬件耦合深、通信带宽瓶颈等缺点而无法适应汽车智能化的进一步发展,正向中央计算迈进。

分布式与域控制器集中式电子电气架构的优劣对比

汽车电子电气架构的升级主要体现在硬件架构、软件架构、通信架构三方面:硬件架构从分布式向域控制/中央集中式方向发展。汽车将以少量高性能计算单元替代大量 ECU,为日益复杂的汽车软件提供算力基础。软件架构从软硬件高度耦合向分层解耦方向发展。软硬件解耦+软件分层解耦,使得汽车软件可经OTA实现快速迭代。通信架构由LIN/CAN总线向以太网方向发展,大带宽通信架构以适应车辆日益激增的数据量和低时延要求。

汽车电子电气架构升级带来四大升级趋势

比如业界特斯拉的电子电气架构演进路径:分布式架构——功能域——跨域融合——中央计算平台。Model 3开启电子架构全面变革,实现了中央集中式架构的雏形,基于此特斯拉实现了辅助驾驶软硬件高度垂直整合,保有车辆亦可实现相关功能的常用常新和持续领先。

大致猜测后续架构:

车辆电子电气架构演进趋势

大众ID4、Model Y、福特Mach E电子电气架构对比

整体看,自主品牌迭代速度较快,多代架构同步开发,此过程伴随高研发投入、软件人才扩张,研发组织变革、整零关系重塑等,车企从过去的硬件集成者到软件集成者+硬件集成者,将软件从过去供应商的“黑盒”中提取出来收归融合于自身的过程是全新和曲折的历程,通过几轮迭代,电子电气架构迈向中央计算是必然趋势,未来车辆软件所有权将主要属于车企,车企将把控汽车进化的命脉,由此基于智能车衍生的利润池将大幅增加。

中央集中式的电子电器架构将车辆的控制程序集中在中央计算平台中。可实现:

1)算力按需灵活分配。通过虚拟化按照实际需求分配算力给不同的操作系统。依据面向服务的架构分解功能,并根据需求调用、组合程序。当需要定义汽车新的功能时,可以通过原子程序的“拼接”实现新的功能。

2)硬件可插拔,算力可拓展。当不存在新功能对应的原子程序时,可以通过增加硬件、导入新的原子程序,从而实现新功能。当底层算力不足时,由于虚拟化的优势可以更换更高算力的芯片。比如2022年极氪001、蔚来为保有车主更换车机域控制器以提供更好座舱体验。

3)软件、硬件均可OTA,使得汽车的功能的边界可以不断拓展。现阶段以特斯拉为首的头部智能车企可实现动力域、底盘域的升级,并可以通过部分功能的组合实现新功能,但距离SOA架构依然有很长的路要走。

由分布式走向域控的过程中,原来的汽车Teir1供应商的“黑盒”供货模式受冲击,但同时传统车企软件能力也较弱,难以覆盖所有软件的开发,需要借助外部力量补强,这给域控制器供应商、科技企业、软件公司巨大的机遇。

三、车辆电子架构演进,域控制器价值凸显

电子电气架构演进历程中,主机厂和供应链的地位、合作模式在不断动态变化。 在分布式架构阶段:主机厂为硬件集成者,Tier1把上游的Tier2(嵌入式软件、芯片)打包后提供给主机厂。

在功能域架构阶段:类似功能合并,软件逐步从过去的黑盒中分离,主机厂选择直接与原来的Tier1/2合作,在应用软件层可能选择合作也可能选择自研。主机厂根据能力不同对域控制器的软硬件部分参与程度不一。对于自研程度深的主机厂,域控制器供应商相当于纯代工角色,对于自研程度浅的主机厂来说,域控制器供应商相当于全方位的“保姆”角色,可以实现“交钥匙”式服务。

进入中央计算+区域控制阶段以后,大部分 ECU消失,各传感器/执行器被中央计算单元支配,原属于 Tier1的大部分策略层的软件由主机厂主导,主机厂对软件中的高价值模块的介入程度渐深,因此主机厂必须要有专业的软件团队,以集成自研与外包软件,软件所有权主要属于汽车制造商。 随着电子架构集中化,域控制器的功能集成度、算力需求、软硬件复杂度、通信需求将呈指数级增长。

整车电子架构将在相当长时间处功能域阶段,域控制器价值凸显

关于域控制器的分类:

博世、大陆等传统Teir1按照功能将车辆划分为五域:动力域、底盘域、信息娱乐域、自动驾驶域和车身域。在这种划分方式下Teir1可直接整合自身所专注的业务单元,OEM依然可以借助原有供应商的力量实现“软件定义汽车”的目标,产业链整合难度较低,组织结构变化阻力较小。

动力域、底盘域、车身域带有较深的传统整零关系烙印。动力域控制器负责三电系统的控制,包括三合一系统、BMS 和整车控制器(VCU)。底盘域控制器包括刹车、转向、安全气囊、减震等功能,由于涉及安全要求,且要求响应速度快,低延迟,目前依然以ECU控制为主。底盘与动力域由于涉及供应商较多,且安全性要求高,车企较难实现动力域与底盘域的集成。车身域控制器主要为车身电子部分(雨刮/车窗/车钥匙),车身域将率先与座舱域实现融合。

智能座舱域与智能驾驶域是现阶段承载整车个性化智能体验的关键所在,最能体现品牌差异化,对传统供应链依赖度小,是现阶段迭代最快的域,座舱域和自动驾驶域需要处理大量数据,对算力要求较高,而动力总成域、底盘域、车身域,这类域控制器主要涉及控制指令计算以及通讯资源,算力要求相对更低。

域控制器演进路径:从经典五域——三域——整车中央计算平台

无论是新势力还是传统 OEM,受限于技术水平均未能在五域均搭载域控制器,一般是优先在智能驾驶与智能座舱域打造域控制器,力求打造更容易被消费者感知到的差异化。智能驾驶域控制器整合的功能多,对安全、时延等要求高,复杂度较高,价值量较大,是目前大部分车企最为关注的功能域。

头部主机厂公布的下一代电子电气架构,将实现车辆功能域的进一步集成: “五域”(自动驾驶域+动力域+底盘域+座舱域+车身域)逐步向集成度更高的“三域”(自动驾驶域+智能座舱域+车控域+若干网关)迈进,即:除智驾域、座舱域外,将底盘、动力传动以及车身三大功能域直接整合成一个“整车控制域(Vehicle Domain Controller,VDC)”。

整车五大功能域控制器特点

搁笔分享完毕!

愿你我相信时间的力量

做一个长期主义者!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/2813958.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

wpf 数据绑定 数据转换

1.概要 数据绑定&#xff0c;有时候绑定的数据源和目标的数据类型不同&#xff0c;这时候就需要转换。 2.代码 2.1 xaml(eXtensible Application Markup Language) 可扩展应用程序标记语言 <Window x:Class"WpfApp6.MainWindow"xmlns"http://schemas.mi…

小白水平理解面试经典题目LeetCode 655. Print Binary Tree【Tree】

655 打印二叉树 一、小白翻译 给定二叉树的 root &#xff0c;构造一个 0 索引的 m x n 字符串矩阵 res 来表示树的格式化布局。格式化布局矩阵应使用以下规则构建&#xff1a; 树的高度为 height &#xff0c;行数 m 应等于 height 1 。 列数 n 应等于​​xheight1​​ - …

ROS-Ubuntu 版本相关

ROS-Ubuntu 版本相关&#xff1a;安装指引 年代ROS1版本Ubuntu 版本2014Indigo14.042016Kinetic16.042018Melodic18.042020Noetic20.04 & 22.04 ROS2兼顾了工业使用上的问题。 年代ROS2版本Ubuntu 版本2022Humble20.04 & 22.042023Iron16.04 相关参考&#xff1a; […

Linux/Spectra

Enumeration nmap 第一次扫描发现系统对外开放了22&#xff0c;80和3306端口&#xff0c;端口详细信息如下 22端口运行着ssh&#xff0c;80端口还是http&#xff0c;不过不同的是打开了mysql的3306端口 TCP/80 进入首页&#xff0c;点击链接时&#xff0c;提示域名不能解析&…

【深度学习目标检测】二十一、基于深度学习的葡萄检测系统-含数据集、GUI和源码(python,yolov8)

葡萄检测在农业中具有多方面的意义&#xff0c;具体来说如下&#xff1a; 首先&#xff0c;葡萄检测有助于保障农产品质量安全。通过对葡萄进行质量安全专项监测&#xff0c;可以确保葡萄中的农药残留、重金属等有害物质含量符合标准&#xff0c;从而保障消费者的健康。同时&am…

Ubuntu Mysql Innodb cluster集群搭建+MaxScale负载均衡(读写分离)

Ubuntu系统版本 20.04.3 LTS (Focal Fossa) 、64位系统。 cat /etc/os-release查看Ubuntu系统是32位还是64位 uname -m如果显示“i686”,则表示安装了32位操作系统。如果显示“x86_64”,则表示安装了64位操作系统。 一、安装MySql 参考: https://blog.csdn.net/qq_3712…

Idea安装gideabrowser插件

Idea安装gideabrowser插件 一、安装二、设置教程 一、安装 gideabrowser链接地址 二、设置教程 在人生的舞台上&#xff0c;奋力拼搏&#xff0c;才能演绎出最精彩的人生之歌。面对挑战和困难&#xff0c;不妥协、不气馁&#xff0c;只争朝夕&#xff0c;方显坚韧与智慧。努…

10.题号:编号3227 找到最多的数

题目&#xff1a; ###本题考察map和枚举 #include<bits/stdc.h> using namespace std; map<int,int> mp; int main(){int n,m;cin>>n>>m;for(int i1;i<m*n;i){int x;cin>>x;mp[x];}for(const auto & [x,y] : mp){if(2*y>n*m/2){cout…

【MATLAB】 LMD信号分解+FFT傅里叶频谱变换组合算法

有意向获取代码&#xff0c;请转文末观看代码获取方式~ 展示出图效果 1 LMD分解算法 LMD (Local Mean Decomposition) 分解算法是一种信号分解算法&#xff0c;它可以将一个信号分解成多个局部平滑的成分&#xff0c;并且可以将高频噪声和低频信号有效地分离出来。LMD 分解算…

osi模型,tcp/ip模型(名字由来+各层介绍+中间设备介绍)

目录 网络协议如何分层 引入 osi模型 tcp/ip模型 引入 命名由来 介绍 物理层 数据链路层 网络层 传输层 应用层 中间设备 网络协议如何分层 引入 我们已经知道了网络协议是层状结构,接下来就来了解了解下网络协议如何分层 常见的网络协议分层模型是OSI模型 和 …

应用回归分析:弹性网络回归

弹性网络回归&#xff1a;原理、优势与应用 弹性网络回归&#xff08;Elastic Net Regression&#xff09;是一种广泛使用的线性回归方法&#xff0c;它结合了岭回归&#xff08;Ridge Regression&#xff09;和套索回归&#xff08;Lasso Regression&#xff09;的特点。通过…

【c语言】内存函数

欢迎关注个人主页&#xff1a;逸狼 创造不易&#xff0c;可以点点赞吗~ 如有错误&#xff0c;欢迎指出~ 目录 memcpy函数的使用和模拟实现 memcpy函数的使用 memcpy函数的模拟实现 memmove的使用和模拟实现 memmove的使用 memmove的模拟实现 memset函数的使用 memcmp函数…

深度学习 精选笔记(3)线性神经网络-线性回归

学习参考&#xff1a; 动手学深度学习2.0Deep-Learning-with-TensorFlow-bookpytorchlightning ①如有冒犯、请联系侵删。 ②已写完的笔记文章会不定时一直修订修改(删、改、增)&#xff0c;以达到集多方教程的精华于一文的目的。 ③非常推荐上面&#xff08;学习参考&#x…

【kubernetes】关于k8s集群的资源发布方式(灰度/滚动发布)

目录 一、常见的发布方式 二、详解kubectl陈述式方式做灰度发布&#xff08;金丝雀发布&#xff09; 步骤一&#xff1a;先基于deployment控制器创建pod&#xff0c;然后发布 步骤二&#xff1a;基于命令行灰度发布 步骤三&#xff1a;测试等到版本稳定以后&#xff0c;再完…

排序算法--堆排序

堆排序的时间复杂度是O&#xff08;N*logN&#xff09;&#xff0c;优于选择排序O&#xff08;N^2&#xff09; 一、堆 1.堆的概念&#xff1a;堆一般指的是二叉堆&#xff0c;顾名思义&#xff0c;二叉堆是完全二叉树或者近似完全二 2.堆的性质&#xff1a;①完全二叉树 ②每…

python cookbook内容提炼-第一章数据结构和算法

python cookbook内容提炼 博主打算做一篇python cookbook内容提炼的文章&#xff0c;这篇博客会很实用。 第一章&#xff1a;数据结构和算法 第一章的内容很实用&#xff0c;博主做了一些内容上的提炼&#xff0c;把一些最重要的知识点写在了下面。 下面内容中&#xff0c;…

【论文阅读】基于人工智能目标检测与跟踪技术的过冷流沸腾气泡特征提取

Bubble feature extraction in subcooled flow boiling using AI-based object detection and tracking techniques 基于人工智能目标检测与跟踪技术的过冷流沸腾气泡特征提取 期刊信息&#xff1a;International Journal of Heat and Mass Transfer 2024 级别&#xff1a;EI检…

《opencv实用探索·二十二》支持向量机SVM用法

1、概述 在了解支持向量机SVM用法之前先了解一些概念&#xff1a; &#xff08;1&#xff09;线性可分和线性不可分 如果在一个二维空间有一堆样本&#xff0c;如下图所示&#xff0c;如果能找到一条线把这两类样本分开至线的两侧&#xff0c;那么这个样本集就是线性可分&#…

docker 容器修改端口

一般在运行容器时&#xff0c;我们都会通过参数 -p&#xff08;使用大写的-P参数则会随机选择宿主机的一个端口进行映射&#xff09;来指定宿主机和容器端口的映射&#xff0c;例如 docker run -it -d --name [container-name] -p 8088:80 [image-name]这里是将容器内的80端口…

针对KZG承诺和高效laconic OT的extractable witness encryption

1. 引言 2024年以太坊基金会等成员论文 Extractable Witness Encryption for KZG Commitments and Efficient Laconic OT&#xff0c;开源代码实现见&#xff1a; https://github.com/rot256/research-we-kzg&#xff08;Rust&#xff09; 在该论文中&#xff0c;提供了一种…